导读:本文包含了时频图像论文开题报告文献综述及选题提纲参考文献，主要关键词:单向阀,SPWVD,灰度共生矩阵,SVM
时频图像论文文献综述
潘震,黄国勇,吴建德[1]（2019）在《基于SPWVD时频图像纹理特征识别的单向阀故障诊断》一文中研究指出为了对单向阀不同故障类型进行准确识别,提出了一种基于平滑伪维格纳-威利分布(smoothed pseudo Wigner-Ville Distribution, SPWVD)时频图像纹理特征识别的单向阀故障诊断方法。首先,利用SPWVD时频分析方法处理单向阀振动信号,得到无交叉干扰性和聚集性良好的时频图像;然后,构建时频图像的灰度共生矩阵提取体现单项阀不同工作状态差异的纹理特征参量作为特征向量输入到SVM分类器中进行故障分类和识别;最后,比较SPWVD、PWVD和WVD时频图像纹理特征对单向阀不同故障类型识别的能力及准确率。实验结果表明,基于SPWVD时频图像纹理故障特征分类的效果最佳,具有较高的故障识别正确率。(本文来源于《第30届中国过程控制会议（CPCC 2019）摘要集》期刊2019-07-31）
杨秋玉,阮江军,黄道春,庄志坚[2]（2019）在《基于振动信号时频图像识别的高压断路器分闸缓冲器状态评估》一文中研究指出分闸缓冲器的性能直接影响着高压断路器分闸机械特性与零部件寿命。时频分析能够准确揭示高压断路器振动信号的频率成分及时变特征,由此构建的时频图像包含丰富的高压断路器工作状态特征信息。为此,提出一种基于振动信号时频图像特征及支持向量机(SVM)的高压断路器分闸缓冲器状态评估方法。首先采用小波变换(WT)将高压断路器振动信号转换成时频谱图,然后提取时频图像的纹理特征和形状特征作为特征向量,最后利用SVM实现分闸缓冲器状态的识别。试验结果表明,所提方法能够有效识别高压断路器分闸缓冲器的状态,为高压断路器故障诊断尤其是分闸缓冲器状态监测与诊断提供了一种新方法。(本文来源于《电工技术学报》期刊2019年19期）
史润泽,李兵[3]（2019）在《基于2维非负矩阵分解的时频图像压缩在柴油机故障诊断中的应用》一文中研究指出针对1维非负矩阵分解技术对2维矩阵特征降维时,会产生数据量巨大、计算效率低下和丢失原始数据结构信息的问题,引入2维非负矩阵分解技术。通过S变换得到振动信号的时频图像,用1DNMF和2DNMF分别压缩时频图像,对压缩后的图像信息进行分类,对柴油机在8种状态下的振动信号进行采集,并采用最近邻分类器、朴素贝叶斯分类器和支持向量机分类器进行实验对比。结果表明,2维非负矩阵分解技术比原始的1维技术计算效率更高,故障诊断更精准。(本文来源于《兵工自动化》期刊2019年07期）
刘寅桐[4]（2019）在《基于时频图像形态学的水声信号特征提取技术》一文中研究指出本文针对水声脉冲调制信号识别问题,提出了基于时频图像形态学的特征提取方法。该方法首先对于时频分析图像进行预处理,通过维纳滤波实现图像增强,图像二值化处理实现阈值分割,进而压缩了时频图像数据量且滤除了噪声;通过形态学处理的方法滤除部分交叉项和噪声,突出信号成分。之后研究了中心矩特征,Hu矩特征,和伪Zernike矩特征叁种不变矩特征,对仿真脉冲图像进行上述叁种不变矩特征提取,实验结果表明,本文提出的方法可有效提取脉冲调制信号的特征,用于水声脉冲调制识别。(本文来源于《中国声学学会水声学分会2019年学术会议论文集》期刊2019-05-25）
邹雨君,田慕琴,乔建强,马兵,宋建成[5]（2018）在《基于时频图像的齿辊式破碎机中电机轴承故障特征提取方法》一文中研究指出齿辊式破碎机中实际运行中电机轴承的振动信号耦合严重,故障脉冲往往显得微弱,故障识别难度大,特别是滚动体和内圈故障的区分。将图像纹理特征提取技术引入故障诊断,提出一种基于时频图像的轴承故障特征提取方法。首先,将聚合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)加入Wigner-Ville时频分析(Wigner-Ville Distribution,WVD)中获得无交叉项干扰的振动时频表征;其次,引入局部二值模式(Local Binary Patterns,LBP)增强时频灰度图像纹理特征,生成对应的LBP谱图;接着,以LBP灰度直方图作为特征量,压缩特征维数后利用主成分分析法(Principal Components Analysis,PCA)约减特征量;最后,将低维特征量输入BP神经网络进行故障分类。在轴承故障诊断实验中,通过和其他算法的对比分析验证了该方法具有较高的故障识别精度,且99.5%的精度充分说明了方法有效性,为准确提取齿辊式破碎机中电机的轴承故障特征提供了一种可靠手段。(本文来源于《煤炭学报》期刊2018年S2期）
岳应娟,王旭,蔡艳平[6]（2018）在《柴油机时频图像双向二维特征编码与故障识别》一文中研究指出针对柴油机故障特征提取困难的问题,提出一种基于时频图像双向二维特征编码识别的柴油机智能故障诊断方法.将内燃机故障诊断问题转化为故障信号时频图像的识别问题,分别利用短时傅里叶变换、小波包、魏格纳分布(WVD)、伪魏格纳分布(PWVD)与平滑伪魏格纳分布(SPWVD)生成柴油机振动时频图像,提出了自适应匹配追踪(AMP)算法与魏格纳相结合的AMP-WVD时频表征方法;为进一步获取包含于柴油机振动时频图像内部的低维特征参量,在二维非负矩阵分解的基础上提出了双向二维非负矩阵分解(TD2DNMF)算法,将数据矩阵行、列维信息融合到一个判别分析框架中,将不同类别的数据信息并行运算,对柴油机时频图像样本进行特征编码,并将支持向量机作为分类器,实现了时频图像的自动分类识别.在6135G型柴油机上模拟了8种不同气门状态,利用时频图像双向二维特征编码与故障识别方法进行柴油机运行状态判别,结果表明:AMP-WVD时频图像可描述柴油机运行状态信息,各时频分量的物理意义更加明确;TD2DNMF方法有较好的特征提取能力,可提取柴油机故障信息.(本文来源于《内燃机学报》期刊2018年04期）
牟伟杰,石林锁,蔡艳平,郑勇,刘浩[7]（2018）在《基于振动时频图像全局和局部特征融合的柴油机故障诊断》一文中研究指出提出了一种基于振动时频图像全局和局部特征融合的柴油机故障诊断方法。采用平滑伪维格纳分布(SPWVD)方法生成柴油机振动时频图像,分别用核主元分析(KPCA)和局部非负矩阵分解(LNMF)方法提取时频图像的全局和局部特征进行融合,并用独立分量(ICA)分析方法对融合后的特征进行降维,对降维后的融合特征进行分类完成对柴油机的故障诊断。试验结果表明,基于振动时频图像全局和局部特征融合的柴油机故障诊断方法,能够准确诊断柴油机的气门故障。(本文来源于《振动与冲击》期刊2018年10期）
洪礼聪[8]（2018）在《基于时频图像和卷积神经网络的尾水管涡带状态识别》一文中研究指出随着我国能源结构改革持续深化,发展安全高效的可再生能源、实现能源清洁化正成为我国能源发展的核心内容。但目前我国电力系统调节灵活性较为薄弱,以致系统难以全面满足新形势下的要求,对风电、光伏等非稳定性能源消纳能力不足,需要从电源端改善调节能力,水电能源作为具有灵活调节能力的清洁能源,将会更多地承担调峰调频任务。作为水电能源的关键设备,水电机组随着向巨型化、复杂化、自动化不断发展,由尾水管低频涡带引发的安全稳定性问题日渐突出。尾水管压力脉动信号中蕴含着重要的涡带状态信息,但随着机组工况变化频繁其信号成分愈加复杂,表现出强烈的非线性与非平稳性特征,为信号特征与涡带状态之间的映射关系研究增加了难度。现有尾水管涡带识别方法中复杂的人工特征设计过程受限于研究人员的专业知识及目标任务,需要花费大量时间人力成本且仅适用于指定任务,已难以适应当前水电机组运行分析需求,因此亟需对现有尾水管涡带识别方法进行改进。本文从尾水管压力脉动信号时频图像分析和智能图像识别技术两个方向开展研究。首先从低频压力脉动信号产生机理入手分析了其频率、幅值特性,通过非平稳信号仿真验证时频图像的特征表征能力,并对比不同时频分析方法所提取的时频图像特征描述性能。其次为了借助深度学习算法的自学习能力以简化人工特征构建过程,本文引入了卷积神经网络模型,基于对其网络结构及训练优化过程的理论分析,阐述了其鲁棒性强、网络训练过程高效、能有效抑制过拟合等特点及其在图像识别任务中的优越性。在前述工作的基础上,结合压力脉动信号特征图像提取方法与卷积神经网络算法,提出了基于时频图像和卷积神经网络的尾水管涡带状态识别方法,并建立用于识别尾水管涡带状态的卷积神经网络模型。通过真机试验数据验证了本文提出方法的有效性和工程指导意义,采用可视化方法研究了尾水管压力脉动时频图像在卷积神经网络中的特征提取过程及其自学习特征物理意义。通过叁种时频图像识别率对比分析,得出具有更高低频局部分辨能力的小波系数云图更适于作为本文提出方法的模型输入图像,其识别率可达到94.63%。最后,对全文研究成果进行总结,并针对文中工作不足之处指出了本文提出方法的下一步发展方向。(本文来源于《武汉大学》期刊2018-04-01）
孔维宇[9]（2018）在《基于时频图像的雷达信号调制识别技术研究》一文中研究指出雷达信号识别是电子对抗及电子侦察中的重要环节,在电子战中具有十分重要的地位和作用。只有充分掌握敌方雷达的信息,才能赢得现代战争的主动权,从而占据电子战领域的制高点,这就使得雷达信号调制识别成为现代电子侦察系统中重要的研究方向。本文对雷达信号时频分析、图像预处理、特征提取、支持向量机与深度卷积神经网络等关键性的技术进行了深入研究。主要研究内容概括如下:首先,对雷达信号调制类型与时频分析技术进行研究。给出了常见的雷达信号数学模型,探讨了非平稳信号的时频分析方法,给出了九种雷达调制信号在低信噪比下基于CWD分布的时频图。其次,对基于时频图像的支持向量机调制识别算法进行研究,系统地阐述了时频图像预处理与特征提取技术,在分析支持向量机相关原理的基础上,针对支持向量机进行分类时存在参数选择不当导致分类效果下降的问题,利用改进粒子群寻优算法兼顾对局部最优解和全局最优解的搜索,克服了传统优化方法易陷入局部最优解的缺陷,以联合四类图像特征为识别特征,在此基础上提出了一种基于改进粒子群寻优的支持向量机调制识别算法,进一步提升了调制识别的正确率。然后,对基于时频图像的卷积神经网络调制识别算法进行研究,简述了卷积神经网络的原理和基本架构,分析了卷积神经网络的实现方法,探讨了预训练卷积神经网络模型。在此基础上,结合迁移学习理论,分别提出了两种基于时频图像的FT-GoogLeNet-icp4-SVM、FT-VGGNet-fc6-SVM调制识别算法,充分发掘了预训练卷积神经网络模型在多分类模型中参数提取的优势,解决了深层网络小样本训练难的问题,在一定程度上降低了训练的时间成本和训练复杂度。仿真结果表明,所提算法显着提升了系统的识别效果。最后,对基于时频图像的多信号调制识别技术进行研究,概述了分数阶傅里叶变换的原理,研究了快速DFRFT方法实现,提出了一种基于时频图像的联合分类器多信号调制识别算法,该算法实现了多信号的有效分离,利用多种分类识别算法克服了低信噪比下多信号时频信息不完整导致识别率低的问题,为多信号的调制识别提供了新的思路。(本文来源于《哈尔滨工程大学》期刊2018-03-14）
张世雄,蔡艳平,石林锁,牟伟杰[10]（2018）在《内燃机振动时频图像的编码特征提取与诊断》一文中研究指出针对传统内燃机振动诊断方法在参数选择和特征提取方面的难题,提出一种将S变换和模块二维主成分分析(M-2DPCA)相结合的内燃机故障诊断方法。该方法首先利用S变换将采集到的内燃机缸盖表面振动信号生成振动谱图像;然后通过M-2DPCA对图像矩阵进行模块化处理,利用所有样本子图像构建总体散布矩阵,计算最优投影向量,进行图像特征参数提取;最后,利用最近邻分类器进行分类识别,完成诊断。将该方法应用于内燃机气阀机构8种工况下振动信号的诊断实例中,识别率可达到94.17%,证明了该方法的有效性。(本文来源于《机械科学与技术》期刊2018年03期）
时频图像论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
分闸缓冲器的性能直接影响着高压断路器分闸机械特性与零部件寿命。时频分析能够准确揭示高压断路器振动信号的频率成分及时变特征,由此构建的时频图像包含丰富的高压断路器工作状态特征信息。为此,提出一种基于振动信号时频图像特征及支持向量机(SVM)的高压断路器分闸缓冲器状态评估方法。首先采用小波变换(WT)将高压断路器振动信号转换成时频谱图,然后提取时频图像的纹理特征和形状特征作为特征向量,最后利用SVM实现分闸缓冲器状态的识别。试验结果表明,所提方法能够有效识别高压断路器分闸缓冲器的状态,为高压断路器故障诊断尤其是分闸缓冲器状态监测与诊断提供了一种新方法。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
时频图像论文参考文献
[1].潘震,黄国勇,吴建德.基于SPWVD时频图像纹理特征识别的单向阀故障诊断[C].第30届中国过程控制会议（CPCC2019）摘要集.2019
[2].杨秋玉,阮江军,黄道春,庄志坚.基于振动信号时频图像识别的高压断路器分闸缓冲器状态评估[J].电工技术学报.2019
[3].史润泽,李兵.基于2维非负矩阵分解的时频图像压缩在柴油机故障诊断中的应用[J].兵工自动化.2019
[4].刘寅桐.基于时频图像形态学的水声信号特征提取技术[C].中国声学学会水声学分会2019年学术会议论文集.2019
[5].邹雨君,田慕琴,乔建强,马兵,宋建成.基于时频图像的齿辊式破碎机中电机轴承故障特征提取方法[J].煤炭学报.2018
[6].岳应娟,王旭,蔡艳平.柴油机时频图像双向二维特征编码与故障识别[J].内燃机学报.2018
[7].牟伟杰,石林锁,蔡艳平,郑勇,刘浩.基于振动时频图像全局和局部特征融合的柴油机故障诊断[J].振动与冲击.2018
[8].洪礼聪.基于时频图像和卷积神经网络的尾水管涡带状态识别[D].武汉大学.2018
[9].孔维宇.基于时频图像的雷达信号调制识别技术研究[D].哈尔滨工程大学.2018
[10].张世雄,蔡艳平,石林锁,牟伟杰.内燃机振动时频图像的编码特征提取与诊断[J].机械科学与技术.2018